Numba 是一个针对 Python 数值计算场景的 JIT（Just-In-Time）编译器。它通过 @jit / @njit 装饰器将你写的 Python 函数实时编译成高效的机器码，让循环密集、纯数值运算的函数获得接近 C 语言的速度，而无需离开 Python 的舒适区。
为什么需要 Numba
Python 的 for 循环很慢，这是解释型语言的共同瓶颈。NumPy 通过向量化避免了大量显式循环，但不是所有数值算法都能轻松向量化。当你必须写循环时（例如逐元素的自定义计算、物理模拟、图像处理算法），Numba 是成本最低的加速方案：只加一个装饰器，不改逻辑。
import numba
@numba.njit # njit 即 nopython=True 的 jit
def loop_sum(arr):
total = 0
for i in range(len(arr)):
total += arr[i]
return total对于一个大数组，这个朴素循环的 loop_sum 执行速度可能从几十毫秒降到与 NumPy sum() 不相上下的微秒级。
核心用法：@jit / @njit 装饰器
| 装饰器 | 含义 |
|--------|------|
| @numba.jit | 开启 JIT 编译，默认是 nopython=False，如果不能编译为机器码，会自动回退到 Python 对象模式（速度反而慢，不建议） |
| @numba.njit | 相当于 @numba.jit(nopython=True)，强制进入 nopython 模式。如果不能编译，直接报错。这是推荐的用法：要么变快，要么暴露问题。 |
通常直接使用 njit，并在开发时留意 Numba 的警告信息。
加速的原理（零基础理解）
Numba 在第一次调用函数时，根据传入参数的类型推断变量类型，将 Python 代码编译为 LLVM IR，再转成本地机器码缓存起来。后续相同签名的调用会直接执行编译后的机器码，省去解释开销。
对开发者来说，它就像一个“为 Python 函数服务的迷你 C 编译器”。
实战：加速一个数值计算函数
以下是一个模拟期权定价的蒙特卡洛示例，带大量循环：
import numpy as np
import numba
@numba.njit
def monte_carlo_pi(n):
"""用蒙特卡洛法估算 π，带显式循环"""
count = 0
for _ in range(n):
x, y = np.random.random(), np.random.random()
if x*x + y*y <= 1.0:
count += 1
return 4.0 * count / n实测中等规模 n=10_000_000 时，Numba 版本比纯 Python 循环快 200～300 倍以上，与向量化 NumPy 版本持平甚至更快（因为少了一次中间数组分配）。
与 NumPy 协同工作
Numba 几乎完整支持 NumPy 的常用函数和广播操作，你可以混用 Numba 和 NumPy 编写既快又好读的代码：
@numba.njit
def moving_average(a, window):
"""使用 NumPy 内置函数编写，同样享受 JIT 加速"""
n = len(a)
result = np.zeros(n)
for i in range(n):
start = max(0, i - window + 1)
result[i] = np.mean(a[start:i+1])
return result注意：Numba 对某些 NumPy 函数有限制（如高级索引、字符串操作不支持），但覆盖了绝大多数数值需求。
常用加速参数与技巧
| 参数 / 特性 | 说明 |
|-------------|------|
| @njit(cache=True) | 缓存编译结果到磁盘，避免重启程序后重新编译 |
| @njit(parallel=True) | 启用自动并行化，配合 prange 替代 range 可以将循环并行执行 |
| @vectorize / @guvectorize | 对标 NumPy 的 ufunc，可以生成通用函数作用于标量、数组，还能指定多维批量计算 |
| numba.prange | 在 parallel=True 时使用，让循环多线程执行 |
| numba.types | 用于显式声明函数签名，提高编译确定性 |
from numba import njit, prange
@njit(parallel=True)
def parallel_sum(arr):
s = 0.0
for i in prange(len(arr)): # 自动并行
s += arr[i]
return sNumba 的边界与限制
并不是写了 @njit 就一定加速，以下情况需要特别注意：
- 仅适用于数值密集型代码：大量循环、数学运算、数组操作。IO、字符串处理、网络调用等场景基本无效，甚至报错。
- nopython 模式限制：支持部分 Python 和 NumPy 特性，不支持列表嵌套、动态修改对象类型、异常处理、
try/except等。如果出错，需要手动改写函数，或改用@jit但性能可能倒退。 - 首次调用开销：编译需要时间，函数第一次执行会比平时慢，后续调用无感。可以用
cache=True或提前用warmup触发编译。 - 全局解释器锁（GIL）：Numba 编译的代码可以释放 GIL，在
nogil=True时与多线程配合得非常好。
什么时候该用 Numba
| 场景 | 推荐方案 |
|------|----------|
| 复杂数值循环无法向量化 | 首选 Numba（@njit） |
| 必须先写循环，不想用 Cython/C 扩展 | 首选 Numba |
| 需要加速 NumPy 中因中间数组导致内存瓶颈的代码 | 使用 Numba 改写，消除临时数组分配 |
| 多核并行计算（CPU 密集型） | @njit(parallel=True) + prange |
| 原型开发完成后追求极致性能 | 与 NumPy 配合，快速上线 |
如果算法本身可以完全向量化，直接用 NumPy 或 CuPy 可能更简单。Numba 更适合填补“必须写循环但 NumPy 不好表达”的性能真空。
小结
Numba 提供了一条在 Python 中享受原生性能的捷径：需要加速的数值循环 → 加一个 @njit → 跑起来就快。它是 Python 科学计算生态中与 NumPy、Pandas 互补的重要拼图，当你遇到向量化困难或内存消耗过大时，第一个想到的工具就应该是 Numba。